Investigation the capability of neural network in predicting reverberation time on classroom

Artical from International Journal of Sustainable Construction Engineering & Technology Authors: Musli Nizam Yahya, Toru Otsuru, Reiji Tomiku, Takeshi Okozono The purpose of this paper is to investigate the capability of neural network in predicting a classroom's reverberation time. A classroom in Oita University was chosen as a sample to obtain the virtual data (reverberation time) based on 20 types of sound absorptions coefficients using Finite Element Method (FEM) and Sabine equation. The capability of FEM has shown that it is able to simulate virtual data (721 data) was taken from FEM for the learning process. The assessment was made by using testing subset (20% from 721 data) to verify the performance. The testing's means square error (MSE) was 3.7751x10 -4 and correlation coefficient (R 2 ) was 0.992 approximately to 1. The optimum network used was 4 hidden nodes. Extended assessment was made using the unseen data (35 data) and it showed that neural network prediction was approximately close to the actual data with MSE is 4.154x10 -4 . Basically, the capability of reverberation time prediction using neural network is shown in this paper. Аннотация по-русски: Статья Международного журнала инженерии устойчивых конструкций и технологий Название статьи: Исследование способности нейронной сети для прогнозирования времени реверберации в аудитории для занятий. Авторы: Мусли Низам Йахуа, Тору Оцуру, Рейжи Томику, Такеши Окозоно Целью данной работы является исследование возможности нейронных сетей для прогнозирования времени реверберации помещения. В качестве образца была выбрана аудитория для занятий в Университете Ойта для получения виртуальных данных (времени реверберации), основанных на 20 видах коэффициентов звукопоглощения с использованием метода конечных элементов (МКЭ) и формулы Сэбина. Возможности МКЭ показали, что можно имитировать виртуальные данные (721 штука) взятые из МКЭ для учебного процесса. Оценка была сделана с помощью тестирования подмножества (20% от 721) для проверки производительности. Квадрат ошибки тестирования в (дисперсия) оказалась равна 3.7751x10 -4 и коэффициент корреляции (R 2 ) оказался равным 0,992, что приблизительно равно 1. Оптимальная сеть использовала 4 внутренних узла. Расширенный оценка была сделана с помощью невидимых данных (35 значений), и показала, что прогноз нейронной сети был примерно близким к фактическим данным с дисперсией 4.154x10 -4 . В целом, в этой статье показаны возможности прогнозирования времени реверберации с помощью нейронной сети.